Résumé Technique : Le Flux d'Exécution comme Source Sous-jacente de la Dynamique du Marché

Énoncé du Problème

L'article aborde le problème fondamental de la dynamique de la microstructure des marchés : identifier la force motrice principale derrière la formation des prix et le comportement du marché. Alors que les approches traditionnelles se concentrent souvent sur le volume des transactions ($V$) ou les déséquilibres du carnet d'ordres (LOB), les auteurs soutiennent que ces métriques échouent à capturer la véritable dynamique des singularités de prix. Le problème central est formulé comme le « problème ultime de la dynamique du marché » : déterminer si une machine de trading automatisée peut générer de manière constante un Profit et Perte (P&L) positif en utilisant uniquement des données de transaction légalement disponibles (temps, prix d'exécution, nombre d'actions échangées), sans accès au flux d'ordres propriétaire ni à des informations futures.

Les auteurs postulent que la vision standard de l'impact de marché (la sensibilité des prix au volume) est analogue à la dynamique aristotélicienne (la force cause la vitesse), alors que le véritable mécanisme est newtonien (la force cause l'accélération). Plus précisément, ils émettent l'hypothèse que le flux d'exécution ($I = dV/dt$), plutôt que le volume échangé ($V$), est le moteur fondamental de la dynamique du marché.

Méthodologie

1. Calcul des Moments et Dérivée de Radon-Nikodym

Les auteurs développent un cadre numérique pour calculer les moments à partir de flux de transactions empiriques $(t_l, P_l, dV_l)$. Ils définissent les moments $\langle Q_j f \rangle$ comme des moyennes mobiles exponentielles d'une fonction $Q_j(x(t))$ pondérées par un poids décroissant $\omega(t) = \exp((t-t_{now})/\tau)$.

• Mesures d'Intégration : Le cadre prend en charge diverses mesures d'intégration, notamment le temps ($dt$), la variation de prix ($dP$) et le volume ($dV$).
• Estimation du Flux d'Exécution : Le flux d'exécution $I = dV/dt$ est traité comme une dérivée de Radon-Nikodym. Au lieu d'une interpolation directe (qui élimine les informations sur les pics), les auteurs estiment $I$ en interpolant la densité de probabilité $\psi(x)$.
• Problème Généralisé aux Valeurs Propres : Le cœur de la méthodologie consiste à résoudre un problème généralisé aux valeurs propres :
  $$\sum_{k} \langle Q_j | I | Q_k \rangle \alpha_k^{[i]} = \lambda^{[i]} \sum_{k} \langle Q_j | Q_k \rangle \alpha_k^{[i]}$$
  Cette formulation permet de déterminer directement à partir des données les échelles de temps caractéristiques et les seuils. Les valeurs propres $\lambda^{[i]}$ représentent l'ampleur du flux d'exécution dans des états spécifiques, tandis que les vecteurs propres $\psi^{[i]}$ définissent l'état du marché.

2. Échelle de Temps Caractéristique et Sélection d'État

La méthode détermine automatiquement l'échelle de temps pertinente en analysant le problème aux valeurs propres. L'état correspondant à la valeur propre maximale, $\psi^{[maxI]}$, est identifié comme l'« état fondamental » de la dynamique du marché. Cet état est relativement stable et représente les périodes de flux d'exécution maximal.

• Seuils : Les valeurs propres servent de déclencheurs actionnables. Si le flux d'exécution actuel $I_0$ est proche de $\lambda^{[maxI]}$, le marché est dans un état d'« excès de liquidité ». Si $I_0$ est proche de $\lambda^{[minI]}$, cela indique un « déficit de liquidité ».

3. P&L et Information Directionnelle

L'article déplace l'objectif de prédiction du prix ($P$) vers le P&L. Une stratégie de trading est définie par le changement de position $dS$.

• Stratégie de Trading de Liquidité : Les auteurs proposent une stratégie où le changement de position est proportionnel au changement du flux d'exécution : $dS = dI$.
• Impact du Futur : La valeur propre maximale $\lambda^{[maxI]}$ est interprétée comme un estimateur du flux d'exécution futur ($I_0^F$). La différence $dI_F = \lambda^{[maxI]} - I_0$ représente l'« impact du futur ».
• Indicateur Directionnel : L'information directionnelle est dérivée en calculant le P&L de la stratégie de trading de liquidité dans un état mixte « depuis $\psi$ jusqu'à présent ». Cela implique la construction d'une matrice de densité $\rho$ à partir du polynôme $\psi^2$ et le calcul de la trace :
  $$\text{dirP}dI = \text{Tr}\left( \rho P \frac{dI}{dt} \right)$$
  Cette approche évite le besoin de données de prix futures, s'appuyant plutôt sur la prévisibilité des fluctuations du flux d'exécution.

4. Spectre de la Fonction de Christoffel

Pour gérer des données multidimensionnelles et améliorer l'Analyse en Composantes Principales (ACP), les auteurs introduisent un cadre basé sur le spectre de la fonction de Christoffel. Cette méthode est invariante sous des transformations linéaires non dégénérées arbitraires des attributs d'entrée, offrant une alternative robuste à l'ACP, qui est limitée à l'invariance unitaire.

Résultats Clés

1. Flux d'Exécution vs Volume

La validation expérimentale sur les données NYSE TAQ et NASDAQ ITCH (spécifiquement AAPL et TSLA) démontre que les singularités de prix se produisent aux moments de flux d'exécution élevé ($I$), et non aux moments de volume élevé ($V$).

• Analyse de la Figure 4 : L'histogramme prix-volume montre un maximum autour du prix médian ($P \approx 698$), pourtant aucune singularité de prix n'existe à cet endroit. À l'inverse, des singularités de prix apparaissent à $P \approx 694$ et $P \approx 700$, où le flux d'exécution $I$ est élevé, malgré un volume total faible. Cela confirme que $I = dV/dt$ pilote les variations de prix.

2. Commutation Immédiate de Régime

Contrairement aux moyennes mobiles traditionnelles, qui souffrent d'un décalage temporel proportionnel à la taille de la fenêtre $\tau$, la « moyenne mobile avec degrés de liberté internes » (dérivée de l'état propre $\psi^{[maxI]}$) présente une commutation immédiate.

• Figures 3 et 6 : L'indicateur $T^{[maxI]}$ (temps écoulé jusqu'à présent dans l'état de flux maximal) chute près de zéro pendant les pics d'exécution, permettant une détection immédiate des changements de régime sans le décalage typique des indicateurs techniques standards.

3. Prédiction Directionnelle

L'indicateur directionnel $\text{dirP}dI$ (Éq. 40) suit avec succès la direction du marché.

• Logique d'Entrée/Sortie : La stratégie ouvre des positions lors de déficits de liquidité (faible $I_0$, forte projection sur $\psi^{[minI]}$) et les ferme lors d'excès de liquidité (fort $I_0$, forte projection sur $\psi^{[maxI]}$).
• Performance : L'article note que cette approche évite les pertes catastrophiques de P&L, un point de défaillance courant pour les stratégies qui ne tiennent pas compte des cycles de liquidité. Le signal directionnel conserve son signe pendant une période substantielle, contrairement aux mouvements de prix bruts qui peuvent se inverser immédiatement.

4. Application Multi-Actifs

La méthodologie a été étendue à un univers multi-actifs (12 actions à forte capitalisation). L'indicateur directionnel agrégé (DIR) a été calculé en sommant les indicateurs d'actifs individuels. Les résultats ont montré que le signal multi-actifs se comporte de manière similaire au cas mono-actif, suggérant l'évolutivité du cadre.

Importance et Revendications

L'article revendique fournir une théorie quantitative et dynamique de la microstructure des marchés qui opère uniquement sur des données de transaction. Son importance principale réside dans :

1. Recadrage de la Dynamique du Marché : Il établit que le flux d'exécution ($dV/dt$), et non le volume, est le moteur fondamental du prix, en établissant une analogie avec la dynamique newtonienne où la force cause l'accélération.
2. Mécanisme Prédictif : Il démontre que l'information sur le « futur » (spécifiquement, le flux d'exécution futur) est inférable à partir des séquences de transactions passées via la valeur propre maximale de la dérivée de Radon-Nikodym. Cela permet la construction d'une stratégie de trading qui ne repose ni sur le front-running illégal ni sur des données propriétaires.
3. Cadre Mathématique Robuste : L'utilisation du spectre de la fonction de Christoffel et des problèmes généralisés aux valeurs propres fournit une méthode mathématiquement rigoureuse, numériquement stable et invariante par transformation pour analyser les données de marché, supérieure à l'ACP standard dans ce contexte.
4. Validation Pratique : Les auteurs revendiquent une validation expérimentale sur des données réelles de marché (NYSE TAQ, NASDAQ ITCH) montrant que les indicateurs directionnels dérivés peuvent identifier des déclencheurs actionnables pour l'ouverture et la fermeture de positions, évitant ainsi les pertes catastrophiques associées aux stratégies ignorant la dynamique de la liquidité.

Les auteurs soulignent que si la méthodologie ne crée pas une stratégie d'« impression d'argent », elle prouve avec succès l'existence d'une relation entre les singularités du flux d'exécution et les singularités de prix, offrant une voie viable pour que les machines de trading automatisées opèrent en tant qu'agents autonomes sur un marché libre en utilisant uniquement des données de transaction publiques.